أقوى موديل يختفي بين ليلة وضحاها
الموديل اللي بنيت عليه منتجك اليوم قد لا يكون موجوداً بكرة.
لما OpenAI أعلنت إيقاف GPT-3.5 Turbo، كان في مطورين صحوا يوم واحد وشافوا إن منتجهم كله توقف. مو لأنهم كتبوا كود رديء، بل لأنهم بنوا على افتراض ثابت في عالم ما فيه شيء ثابت فيه. الموديل اللي يتصدر الليكرات اليوم ممكن يُوقف أو تتغير أسعاره أو تنخفض جودته بدون إشعار مسبق كافٍ. السؤال مو إيش أفضل موديل الحين. السؤال هو: لو اختفى بكرة، وش يصير في منتجك؟
🧩 إيش هو بالضبط
المشكلة اسمها الاعتماد المفرد على نموذج أو Model Lock-in. يعني إن كودك مرتبط بشكل مباشر بموديل محدد من شركة محددة، لدرجة إنه لو هذا الموديل اختفى أو تغيّرت شروطه، ما تقدر تنتقل لغيره بسهولة.
فكّر فيه كإنك بنيت مطعمك كله على مورّد واحد للخضار. لو هذا المورّد رفع أسعاره أو أغلق، ما عندك بديل جاهز. نفس الفكرة تماماً، بس في الكود.
بصراحة المشكلة مو في الموديل نفسه. المشكلة في كيف ربطت تطبيقك فيه.
⚙️ كيف تبني ستاك يتعامل مع الموديل كطبقة قابلة للتبديل
الفكرة الأساسية هي فصل منطق تطبيقك عن الموديل المحدد اللي يشغّله. هذا يُسمى abstraction layer يعني طبقة تجريد. بدل ما تستدعي GPT-4 مباشرة في كل مكان في كودك، تتكلم مع واجهة موحدة، وهذي الواجهة هي اللي تقرر أي موديل يرد. منطق تطبيقك ما يتغير. فقط الطبقة اللي تحته هي اللي تتبدل.
عملياً:
1️⃣ حدد كل نقطة في كودك اللي فيها استدعاء مباشر لموديل معين. ابحث عن openai.chat.completions.create أو anthropic.messages.create أو أي شيء مشابه.
2️⃣ استبدل هذي الاستدعاءات بدالة مركزية واحدة أو مكتبة abstraction مثل LiteLLM. كل الكود يمشي عبرها.
3️⃣ احفظ اسم الموديل في متغير بيئة (environment variable) مثل MODEL_NAME=gpt-4o بدل ما تكتبه ثابت داخل الكود.
4️⃣ اختبر إنك تقدر تغيّر قيمة MODEL_NAME لموديل ثاني مثل claude-3-5-sonnet وكل شيء يشتغل بدون ما تلمس باقي الكود. لو نجح، عندك طبقة قابلة للتبديل ✅
🌍 وين تشوفه في حياتك
هذا مو مجرد شغلة للمطورين الكبار. يمس أي شخص يبني أي شيء فوق الـ AI:
🤖 تطبيقات الـ chatbot اللي فيها الموديل هو قلب المنتج الفعلي
📄 أدوات الكتابة والتلخيص والترجمة المبنية على نماذج لغوية (LLM)
🛒 منصات التجارة الإلكترونية اللي تستخدم AI لتوصيات المنتجات
🏢 الشركات اللي تبني workflows داخلية على نماذج AI
في كل هذي الحالات، الموديل طبقة. مو أساس.
🛠️ الأدوات اللي تستخدمها فعلاً
🔧 LiteLLM
مكتبة Python تعطيك واجهة موحدة لأكثر من 100 موديل. تكتب نفس الكود وتغيّر الموديل بتغيير string واحدة بس.
كيف تبدأ:
1️⃣ ثبّتها في الـ terminal بالأمر pip install litellm وانتظر اكتمال التثبيت
2️⃣ في كودك، استبدل استدعاء OpenAI أو Anthropic المعتاد بـ litellm.completion واكتب اسم الموديل كـ string مثل "gpt-4o" أو "claude-3-5-sonnet-20241022"
3️⃣ لو أردت تغيير الموديل، غيّر الـ string فقط. باقي الكود ما يتغير.
🔧 OpenRouter
خدمة تعمل كـ proxy بين تطبيقك وعشرات النماذج. تدفع من مكان واحد وتوصل لكل الموديلات الكبيرة عبر API واحدة.
كيف تبدأ:
1️⃣ اذهب لـ openrouter.ai وأنشئ حساب واحصل على الـ API key الخاص بك
2️⃣ في كودك، غيّر الـ base_url لـ https://openrouter.ai/api/v1 واستخدم مفتاح OpenRouter
3️⃣ حدد الموديل في كل استدعاء بالصيغة "openai/gpt-4o" أو "anthropic/claude-3-5-sonnet" وقدر تغيّره في أي وقت بدون ما تغيّر شيء ثاني
🔧 Portkey
منصة تضيف فوق الـ abstraction ميزات مهمة: fallback تلقائي للموديل الثاني لو الأول فشل، وlogging كامل للطلبات، وcaching يوفّر التكلفة.
كيف تبدأ:
1️⃣ اذهب لـ portkey.ai وأنشئ حساب واحصل على API key
2️⃣ عرّف config يحدد الموديل الرئيسي والموديل البديل اللي يُفعّل تلقائياً لو الأول ما رد
3️⃣ وجّه كل استدعاءاتك عبر Portkey وهو يتكفل بالتوجيه والـ fallback من غير ما تكتب أي منطق إضافي
💡 جرّب بنفسك: خطوة بخطوة
سنبني دالة واحدة تشتغل مع GPT-4o ومع Claude بنفس الكود تماماً.
1️⃣ ثبّت LiteLLM: افتح الـ terminal واكتب pip install litellm واضغط Enter وانتظر اكتمال التثبيت.
2️⃣ أنشئ ملف Python اسمه test_swap.py واكتب فيه:
import litellm
def ask_model(prompt, model):
response = litellm.completion(
model=model,
messages=[{"role": "user", "content": prompt}]
)
return response.choices[0].message.content
print(ask_model("اشرح لي ما هو الـ abstraction layer بجملتين", "gpt-4o"))
3️⃣ قبل التشغيل، حدد مفتاحك في الـ terminal:
export OPENAI_API_KEY="your-key-here"
4️⃣ شغّل الكود بـ python test_swap.py وشوف الرد. بعدين غيّر آخر سطر بس لـ "claude-3-5-sonnet-20241022" وحدد ANTHROPIC_API_KEY وشغّل مرة ثانية. نفس الكود، موديل مختلف، نفس السلوك. هذي هي النقطة.
وش تسوي بعد ذا
✅ ابحث في كودك الحالي عن أسماء الموديلات المكتوبة بشكل ثابت وعدّ كم مرة تكررت
✅ جرّب LiteLLM على مشروع صغير قبل ما تطبّقه على منتجك الرئيسي
✅ ابحث عن مفهوم graceful degradation يعني كيف يتصرف تطبيقك لو الموديل ما رد خالص
الموديلات ستتغير. هذا مو سؤال. السؤال هو إذا كان تطبيقك مصمّم لهذا الواقع.
———— English ————
The Strongest Model Vanished Overnight
The model powering your product today might not exist tomorrow.
When OpenAI deprecated GPT-3.5 Turbo, some developers woke up to products that had quietly stopped working. Not because their code was bad, but because they had built on a fixed assumption in an industry with no fixed assumptions. The model topping the benchmarks today can be retired, repriced, or quietly degraded without enough warning. The question is not which model is best right now. The question is: what happens to your product if it disappears tomorrow?
What it actually is
The problem has a name: model lock-in. It means your codebase is so directly coupled to a specific model from a specific provider that if that model changes, gets deprecated, or doubles in price, you cannot switch without significant rework.
Think of it like building your restaurant around a single supplier for your most critical ingredient. If they close or change their terms, you have no ready alternative. Same principle, different domain.
The honest truth is that the problem is never the model itself. The problem is how tightly you attached your product to it.
How it works
The fix is an abstraction layer. Instead of calling GPT-4 directly in every part of your codebase, you talk to a single unified interface, and that interface decides which model responds. Your business logic stays the same. Only the layer beneath it changes.
In practice:
1️⃣ Audit every point in your codebase where a specific model is called directly. Search for openai.chat.completions.create or anthropic.messages.create or any equivalent call.
2️⃣ Replace those calls with a single central function or an abstraction library like LiteLLM. Every part of your app routes through that one point.
3️⃣ Store the model name in an environment variable such as MODEL_NAME=gpt-4o instead of hardcoding it anywhere in the source.
4️⃣ Test that changing MODEL_NAME to a different model like claude-3-5-sonnet leaves everything else working without touching any other code. If it does, you have a swappable layer ✅
Where you see it
This is not a concern reserved for large engineering teams. It matters for anyone building anything on top of AI:
🤖 Chatbot products where the model is literally the core feature
📄 Writing, summarization, and translation tools built on language models
🛒 E-commerce platforms using AI for product recommendations and search
🏢 Companies building internal AI workflows and automations
In every one of these cases, the model is a layer. It is not the foundation.
🛠️ Tools you actually use
🔧 LiteLLM
A Python library that gives you a single unified interface to over 100 models. You write the same code and change the model by changing a single string.
How to get started:
1️⃣ Install it by running pip install litellm in your terminal and waiting for it to finish
2️⃣ Replace your existing OpenAI or Anthropic call with litellm.completion and pass the model name as a string like "gpt-4o" or "claude-3-5-sonnet-20241022"
3️⃣ To switch models, change only that string. Nothing else in your code needs to change.
🔧 OpenRouter
A proxy service that sits between your app and dozens of models. You pay from one place and access every major model through a single API.
How to get started:
1️⃣ Go to openrouter.ai, create an account, and get your API key
2️⃣ In your code, change the base_url to https://openrouter.ai/api/v1 and use your OpenRouter key instead of a provider key
3️⃣ Specify the model per request using the format "openai/gpt-4o" or "anthropic/claude-3-5-sonnet" and swap freely at any time without changing anything else
🔧 Portkey
A platform that layers production-grade features on top of model abstraction: automatic fallback to a backup model when the primary fails, full request logging, and response caching that reduces cost over time.
How to get started:
1️⃣ Go to portkey.ai, create an account, and get your API key
2️⃣ Define a config that specifies your primary model and a fallback model that activates automatically if the primary does not respond
3️⃣ Route your calls through Portkey and it handles the routing and fallback logic without any additional code from you
💡 Try it yourself: step by step
Build a single function that works with both GPT-4o and Claude without changing anything except the model name.
1️⃣ Install LiteLLM: open your terminal and run pip install litellm then wait for it to complete.
2️⃣ Create a Python file called test_swap.py and write the following:
import litellm
def ask_model(prompt, model):
response = litellm.completion(
model=model,
messages=[{"role": "user", "content": prompt}]
)
return response.choices[0].message.content
print(ask_model("Explain an abstraction layer in two sentences", "gpt-4o"))
3️⃣ Set your API key in the terminal before running:
export OPENAI_API_KEY="your-key-here"
4️⃣ Run python test_swap.py and read the response. Then change only the last line to use "claude-3-5-sonnet-20241022", set ANTHROPIC_API_KEY, and run it again. Same code, different model, same behavior. That is the entire point.
What to do next
✅ Search your current codebase for hardcoded model names and count how many there are
✅ Try LiteLLM on a small side project before applying it to your main product
✅ Read about graceful degradation and how your app should behave when a model call fails entirely
The models will change. That is not a question. The question is whether your product is designed for that reality.